Dirbtinis intelektas skatina ankstyvą trumparegystės aptikimą ir valdymą

Dirbtinis intelektas skatina ankstyvą trumparegystės aptikimą ir valdymą

Didėjantis trumparegystės paplitimas yra pasaulinė sveikatos problema, o didelė trumparegystė didina regėjimo pažeidimo riziką. Tam reikia naudoti dirbtinį intelektą (AI) ankstyvai trumparegystės diagnostikai, prevencijai ir gydymui. Na, aVaikų apžiūraApžvalgoje pabrėžiami galimi AI pritaikymai ankstyvam trumparegystės nustatymui, rizikos įvertinimui ir prevencijai. Tai taip pat parodo iššūkius ir dabartinę AI technologijos vystymosi būklę trumparegystės srityje.

Trumparegystė arba trumparegystė paveikia du milijardus žmonių visame pasaulyje. Nekoreguota trumparegystė gali turėti įtakos regėjimui, sutrikdyti išsilavinimą, karjeros perspektyvas ir gyvenimo kokybę. Manoma, kad iki 2050 m. beveik pusė pasaulio gyventojų taps trumparegiai. Didelė trumparegystė dažnai siejama su komplikacijomis, kurios gali sukelti regėjimo sutrikimą, paveikti pacientų gyvenimo kokybę ir padidinti pasaulinę medicininę bei ekonominę naštą. Todėl ankstyva trumparegystės diagnozė yra svarbi siekiant išvengti trumparegystės sutrikimo.

Dirbtinis intelektas (AI) atvėrė naujas ribas medicinos srityje ir gali būti šios pasaulinės sveikatos priežiūros įmonės sprendimas. DI pogrupiai, tokie kaip pažangios technologijos, pvz., mašininis mokymasis (ML) ir gilusis mokymasis (DL), gali padėti analizuoti duomenis, kad būtų galima diagnozuoti ligas ir numatyti rizikos veiksnius, biologinius žymenis ir rezultatus.

Naujoje literatūros apžvalgoje daktarai Li Li, dr. Jifeng Yu ir dr. Nan Liu, visi iš Kinijos sostinės medicinos universiteto Oftalmologijos katedros, apibendrino AI pritaikymą ir iššūkius trumparegystei, įskaitant aptikimą, rizikos veiksnių įvertinimą ir prognozavimo modelius. Šis tyrimas buvo paskelbtas žurnaleVaikų apžiūra2025 metų kovo 18 dieną.

Įdomu tai, kad dirbtinio intelekto modeliai gali būti mokomi naudojant ML / DL, kad aptiktų trumparegystę iš akių dugno nuotraukų ir optinės koherentinės tomografijos vaizdų. Suteikus modeliui didelį trumparegių pacientų akių dugno vaizdų rinkinį, AI gali būti išmokytas aptikti nedidelius tinklainės spalvos ir modelio pokyčius, susijusius su trumparegystė. Tai leidžia modeliui diagnozuoti būsimus pacientus iš jų akių dugno nuotraukų.

Be to, savikontrolės įrenginiai, tokie kaip SVOne, delninis įrenginys, kuris naudoja bangos fronto jutiklį akių defektams matuoti, naudojant AI algoritmus, gali aptikti akių lūžio defektus. Prietaisas gali pasiekti internetinę vaizdų duomenų bazę, kurią AI gali naudoti kaip nuorodas diagnozuoti trumparegystę. Be to, AI gali būti išmokytas aptikti elgesio pokyčius, susijusius su trumparegystės atsiradimu. Toks aptikimas yra ypač naudingas ankstyvam vaikų trumparegystės nustatymui, kuris dažnai yra ignoruojamas. Pavyzdžiui, „Vivior Monitor“ naudoja ML algoritmus, kad nustatytų regėjimo elgsenos pokyčius, tokius kaip:

Be to, trumparegystės rizikos veiksniams nustatyti gali būti naudojami ML metodai, tokie kaip vektorinė mašina, logistinė regresija ir Xgboost."XGBOOST pagrįstas modelis gali gauti daug išilginių duomenų, leidžiančių sužinoti daugelio pacientų trumparegystės rezultatus ir susijusius rizikos veiksnius. Tai savo ruožtu leidžia modeliui įvertinti naujų pacientų rizikos veiksnius, remiantis jų genetika, šeimos istorija, aplinka ir fiziologiniais parametrais.Aiškina daktaras Li Li.

Trumparegystės progresavimo ir rezultatų prognozavimas gali padėti gydytojams pritaikyti savo klinikinį požiūrį. Dideliu mastu jis gali formuoti klinikinę praktiką ir politikos formavimą, padedantį kontroliuoti trumparegystę. Suteikus AI modeliui daug biometrinių duomenų, lūžio duomenų, gydymo atsakų ir akių vaizdų iš daugelio trumparegystės pacientų, AI gali būti išmokyta numatyti trumparegystės pasekmes naujiems pacientams.

Nepaisant didelio AI potencialo sergant trumparegystė, reikia įveikti keletą iššūkių. Pirma, svarbu užtikrinti, kad AI modeliui parengti naudojamas duomenų rinkinys būtų tikslus ir aukštos kokybės. Šališkumas, klaidingi neigiami / teigiami duomenys ir prasta duomenų kokybė gali neigiamai paveikti modelio diagnostinį ir nuspėjamąjį tikslumą. Antra, dauguma AI modelių yra mokomi naudojant didelių ligoninių duomenis, kurie gali neatspindėti pacientų, vykstančių į mažesnes klinikas. Tai sukuria neatitikimą tarp realių ir mokomųjų populiacijų. Trečia, dirbtinio intelekto modelis nėra apmokytas gydytojas ir gali nesuteikti klinikinio pagrindo jo diagnozei nustatyti, todėl medicinos specialistai gali atmesti diagnozę. Galiausiai, turint tokį didelį pacientų duomenų kiekį, svarbu, kad dirbtinio intelekto modeliai užtikrintų pacientų medicininių įrašų privatumą.

„Nors mūsų tyrimas išryškina žymiausiusKlinikinio AI taikymo pažanga trumparegystė reikalauja tolesnių tyrimų, siekiant įveikti technologinius iššūkius. IšKuriant aukštos kokybės duomenų rinkinius, gerinant modelio gebėjimą apdoroti daugiarūšio vaizdo duomenis ir gerinant žmogaus kompiuterių sąveiką, dirbtinio intelekto modeliai gali būti toliau tobulinami, kad būtų galima plačiai pritaikyti klinikoje.„Baigiasi daktaras Jifeng Yu.

Šaltiniai: